Linear Classification - 2
2021-1학기, 대학에서 ‘통계적 데이터마이닝’ 수업을 듣고 공부한 바를 정리한 글입니다. 지적은 언제나 환영입니다 :)
Binary Logistic Regression
LDA와 QDA에서는 $f_k(x)$, 즉 “the conditional density of $X$ given $Y=k$”를 모델링하였다. 하지만, <Logistic Regression> 모델은 Regression output $x^T \beta$를 <Logistic Function> $\dfrac{e^x}{1 + e^x}$에 적용한 결과를 사용한다!! 한번 살펴보자. 🤩
Definition
Assume that $\mathcal{Y} = \{0, 1\}$. Then the <logistic regression model> assumes
\[P(Y=1 \mid X=x) = \frac{\exp (x^T \beta)}{1 + \exp (x^T \beta)}\]Q1. 왜 Logistic “Regression” 인가?
평범한 Linear Regression Model에서 $P(Y = 1 \mid X = x)$는
\[P(Y = 1 \mid X=x) = x^T \beta\]의 결과를 뱉는다. 하지만, 이렇게 모델링할 경우, $x^T \beta$의 값이 확률의 정의인 $[0, 1]$ 값을 갖는다는 조건을 잘 만족하지 못 했다. “The linear regression model vilostes that $x^T \beta \in [0, 1]$”
그래서 이 $[0, 1]$ 사이에 들어온다는 조건을 만족하기 위해 $x^T \beta$의 값에 Transformation을 적용한다. 그 중 하나가 이번에 사용하는 <logistic function>, 다른 이름으로 <sigmoid function>인 것이다.
\[\text{sigmoid}(x) = \frac{e^x}{1+e^x}\]사실 <sigmoid function> 외에도 <Gaussian cdf>나 <Gompertz function>을 써도 된다고 하며, 이 경우 좀더 특별한 상황, 예를 들면 ‘보험’ 등의 분야에서 좋은 성능을 보인다고 한다.
Q2. 왜 “Logistic” Regression인가?
Linear Regression과 LDA/QDA 모두 classification을 수행하기 위해 적절한 decision boundary를 찾는 것을 목표로 했다.
\[\left\{ x : \log \frac{P(Y=1\mid X=x)}{P(Y=0 \mid X = x)} \right\}\]이때, 특별하게도 decision boundary가 “linear”한 상황이라면, 아래의 식을 만족하며 classification을 위한 hyper-plain이 정의된다.
\[\log \frac{P(Y=1 \mid X=x)}{P(Y=0 \mid X = x)} = x^T \beta\]그리고 위의 식에서 로그를 풀고, 확률의 성질을 잘 이용하면 아래의 식이 유도된다.
\[P(Y=1 \mid X= x) = \frac{\exp (x^T \beta)}{1 + \exp (x^T \beta)}\]놀랍게도 이때 유도된 식이 바로 <Logistic Function>인 것이다!! 🤩
MLE; Maximum Likelihood Estimation
<Logistic Regression> 모델도 결국은 Regression을 위해 $\beta$ 값을 추정해야 한다. 이것은 <MLE; Maximum Likelihood Estimation>을 통해 추정한다. 그 과정을 살펴보자.
먼저 <Likelihood function> $L(\beta)$를 정의하자.
\[L(\beta) = \prod^n_{i=1} P(Y = y_i \mid X = x_i)\]$L(\beta)$가 왜 이렇게 정의되었는지 살펴보자.
(출처: 공돌이의 수학정리노트)
우선, $L(\beta)$에서 $X=x_i$에서의 확률을 모두 곱하고 있다. 이렇게 곱할 수 있는 이유는 MLE의 가정인 “각 $x_i$가 모두 i.i.d.하다”에 기반한다. 독립인 사건들이 동시에 발생하는 것이므로 “확률의 곱법칙”에 의해 위와 같이 $\prod$ 를 사용한 것이다.
위의 $L(\beta)$의 식에 <logistic function>을 넣어서 조금 풀어서 써보자.
\[\begin{aligned} L(\beta) &= \prod^n_{i=1} \left( \frac{\exp (x_i^T \beta)}{1 + \exp (x_i^T \beta)}\right)^{y_i} \left( \frac{1}{1 + \exp (x_i^T \beta)}\right)^{1-y_i} \\ &= \prod^n_{i=1} \left( \frac{\exp (y_i \cdot x_i^T \beta)}{1 + \exp( x_i^T \beta)}\right) \end{aligned}\]딱 봐도 식이 좀 복잡하다. 그래서 계산의 편의를 위해 $L(\beta)$에 $\log$를 취해 <Log-Likelihood> $\ell(\beta)$를 사용하자!
\[\begin{aligned} \ell (\beta) &= \log \left( \prod^n_{i=1} \left( \frac{\exp (y_i \cdot x_i^T \beta)}{1 + \exp( x_i^T \beta)}\right) \right) \\ &= \sum^n_{i=1} \; \log \left( \frac{\exp (y_i \cdot x_i^T \beta)}{1 + \exp( x_i^T \beta)}\right) \\ &= \sum^n_{i=1} \; \left( y_i \cdot x_i^T \beta - \log \left( 1 + \exp(x_i^T \beta)\right) \right) \end{aligned}\]Production으로 구성된 기존의 식을 Summation으로 변환했기에 이전보다는 분석하기 훨씬 쉬워졌지만, 여전히 $\ell (\beta)$를 Maximization하는 것은 간단하지 않다.
그러나 $\ell (\beta)$가 <concave function>이라는 점1은 우리가 nemerical method를 사용해 Maximization을 수행할 수 있음2을 말한다!! 🤩 그래서 <Newton-Raphson method> 등의 Nemerical Approximation의 방법을 사용해 MLE를 수행한 된다.
Regularization.
(아직 잘 와닿질 않네;; 강의 한번 더 듣고, 이 부분 교재 읽고 채울 것)
LDA vs. Logistic Regression
| LDA | Logistic Regression |
|---|---|
| linear decision boundary | |
| Normal 분포 가정 有 | Normal 분포 가정 無 |
| joint distribution인 $P(Y, X)$에 대한 구체적인 값이 필요 | $P(Y=1 \mid X = x)$에 대한 값만 있으면 충분 |
| Logistic에 비해 더 많은 '가정'이 들어가기 때문에 Logistic과 비교해 applicability가 떨어짐. | LDA와 비교해 categorical input을 쓰기 쉬움 |
Multi-class Logistic Regression
Let $\mathcal{Y} = \{ 1, \dots, K \}$, and assume that
\[P(Y = k \mid X = x) \propto \exp (x^T \beta_k)\]이것은 곧,
\[P(Y = k \mid X = x) = \frac{\exp(x^T \beta_k)}{\displaystyle \sum^K_{i=1} \exp (x^T \beta_i)}\]